摘要
摘要
目标检测是计算机视觉领域的基础性课题,为目标跟踪、描述生成等视觉任
务提供广泛的理论支撑,同时也在自动驾驶、缺陷检测等工业场景上具备重要的
应用价值。随着深度学习研究的不断发展,目标检测网络的性能得到了有效地提
升。然而,真实场景中物体目标之间存在复杂的交叠关系,并且深度学习所需要
的大量数据往往难以获取,导致目标检测网络所提取的对象表征存在欠表达问题,
影响网络性能的进一步提高。因此,本文围绕上述特征欠表达问题对目标检测网
络的设计展开研究,以构建有效的目标特征提取器和决策空间特征优化策略。同
时,本文对不同场景下的目标检测问题进行了讨论,包括数据充足情况下的通用
目标检测网络设计和数据稀缺情况下的小样本目标检测算法研究。具体研究内容
及创新点包含以下几个方面:
(1)针对通用目标检测场景下目标物体之间易发生交叠而导致物体特征提取
存在混淆噪声问题,结合基于十字线的特征提取器和基于关键点的特征提取器的
优势,提出了可分离且宽度自适应扩展的十字线特征提取方式。本方法首先将十
字线划分为有限个线段,分别提取线段上的最大响应点,从而在有效减少其他物
体和背景噪声的情况下充分提取物体本身的语义特征。其次,考虑到响应点提取
的特征相对于完整十字线有所减少,为提升提取特征的丰富性,本文基于可变形
卷积设计宽度自适应扩展模块。该模块计算适应于各个物体的十字线提取器宽度,
从而使十字线能够自适应地捕获更加丰富的物体信息。通过对两个方案进行结合,
本方法的十字线能够提取噪声更少、目标语义信息更多的物体特征,从而缓解该
场景下目标检测网络提取特征的欠表达问题。
(2)针对数据稀缺的小样本目标检测场景下新类(数据稀缺类别)的特征中心
容易向相似的基类(数据充分类别)发生偏移的问题,开展了基于类内差异性样本
生成的特征中心校正研究。首先,本方法构建了以特征中心为参照系的类内差异
性评估指标,依照该指标筛选出对应的同类别差异性样本。之后,本方法设计类
内特征转换器,加入基类训练过程以学习输入特征向差异性特征的映射关系。最
后,将转换器知识迁移至微调过程,生成新类的差异性样本以加入记忆库,从而
校正新类的特征中心,解决知识迁移过程中新类特征出现的欠表达问题。
(3)针对小样本目标检测场景下新类特征在决策空间中分布边界不清晰,易于
和相邻类别样本发生混淆的问题,探索受启发于课程学习和密度峰值聚类的样本
细粒度损失加权策略。本方法首先借鉴密度峰值聚类策略设计方案计算输入特征
I
摘要
在记忆库中的本类别密度和相邻类别密度,通过指定当前类别的参考密度值反向
求解对应的截断距离,加权后获得其他相邻类别的截断距离,计算得到相邻类别
密度。接下来,通过比较两个密度的比值和阈值之间大小,将边缘样本划分为离
决策边界较近的困难样本(相邻类别密度较高)和离决策边界较远的易学习样本
(本身类别密度较高)。最后,启发于课程学习设计自适应加权函数,对每个特征计
算相应的重要性权重,细粒度地优化每个边缘样本特征。通过上述方法获得更加
清晰的特征分类边界,解决类别之间的混淆导致的特征欠表达问题。
关键词:目标检测,小样本,特征欠表达,特征中心校正,决策边界优化
II
ABSTRACT
ABSTRACT
Objectdetectionisafundamentaltopicinthefieldofcomputervision,providingex-
tensivetheoreticalsupportforvisualtaskssuchasobjecttrackinganddescriptiongenera-
tion.Italsoholdssignificantapplicationvalueinindustrialscenariossuchasautonomous
drivinganddefectdetection.Withthecontinuousdevelopmentofdeeplearnin